1.1.3 常见的群体智能算法简介

自上世纪90年代基于蚂蚁觅食行为的蚁群算法(Ant Colony Optimization，ACO)[9]提出以来，相继产生了以飞翔的鸟类为模型的粒子群算法（Particle Swarm Optimization，PSO）[10]、基于鱼类觅食行为的人工鱼群算法（Artificial Fish swarm Algorithm，AFA）[11]、基于青蛙觅食行为的蛙跳算法(Shuffled Frog Leaping Algorithm，SFLA)[12]以及模拟蜜蜂行为的人工蜂群算法（Artificial Bee Colony，ABC）[13]等。

其中人工蜂群算法是群体智能中比较新的成员，关于ABC的研究也处于初级阶段，但是对于较大规模的问题，有些应用较广的启发式算法如蚁群算法等，也未必能得到很满意的解。由于整个觅食过程与旅行商问题的相似性，该算法适合用来解决旅行商的最短路径问题，并已取得较好的结果。同时人工蜂群算法还被用于解决一些NP难题。

这些群体智能优化算法的出现，使得原来一些比较复杂的、很难用常规的经典优化算法来处理的问题得到解决，大大增强了人们解决和处理优化问题的能力，这些算法已经被广泛用于解决工程实际各优化领域的问题。

1.2国内外研究现状

1.3 研究内容及意义

蜂群算法是一种新颖的元启发式智能优化算法，近几年才发展起来。国内外学者对其研究的还比较少。

近几年国外学者对于基于采蜜机理的蜂群算法在经典的数值优化函数上有所研究，但在组合优化，特别是车辆路径优化的问题（Vehicle Routing Problems，VRP）上研究的还比较少。该问题自1959年Dantzig等人首先提出以来，至今已经衍生出多种不同类型的问题。现实生活中的许多运输调度问题都可以归结为路径优化问题来处理，如路径规划、物流配送等等问题。因此，对该问题的处理结果的好坏直接影响着一个公司的经济效益和顾客的满意度。文献综述

本课题主要研究的是基于蜜蜂采蜜机理的人工蜂群算法，介绍其基本原理，并将其应用到解决旅行商问题中去。

1.4 章节安排

本文章节安排如下所述：

第一章 绪论。简要介绍本文的研究背景、研究现状、研究内容和意义

第二章 人工蜂群算法简介。详细阐述了人工蜂群算法的模型和原理，给出了算法的基本流程和模型的特点。

第三章 人工蜂群算法在TSP问题上的应用。详细阐述TSP问题的概念、蜂群算法在TSP上如何实现。最后通过一些经典的TSPLIB算例进行了仿真验证，证实了算法的可行性与适用性。